Hvert selskap som er verdt sin vekt er innstilt på å oppnå praktisk og skalerbar kunstig intelligens og maskinlæring. Det er imidlertid mye lettere sagt enn gjort – noe AI-ledere i noen av de mest informasjonsintensive bedriftene kan bekrefte. For mer perspektiv på utfordringene med å bygge en AI-drevet organisasjon, tok vi kontakt med Jing Huang, seniordirektør for ingeniørvitenskap og maskinlæring hos Momentive (tidligere SurveyMonkey), som deler leksjonene som læres etter hvert som AI og ML rulles ut.< /p>
Foto: Joe McKendrick
Sp: AI og maskinlæringsinitiativer har vært i gang i flere år nå . Hvilken lærdom har bedrifter lært når det gjelder mest produktiv bruk og distribusjon?
Huang: “Maskinlæringsprosjekter er mye mer kompliserte og større enn ML-modellalgoritmer, så vær klar til å bygge et robust team for å ta seg av maskinlæringsoperasjoner. Å bemanne et maskinlæringsteam i verdensklasse er ekstremt vanskelig. ML-talentet med erfaring er i høy etterspørsel. Ett alternativ er å gi opplæring og bygge en kultur som fremmer interne overføringer; noen ganger kan det å vokse teamet internt være nøkkelen til å bygge et effektivt ML-team.”
“Før du bygger noe vesentlig, sørg for at du undersøker hvor flaskehalsene i produksjonspipelinen for maskinlæring er. Mens du bestemmer deg for bygge kontra kjøp, når du kjøper en løsning for å øke hastigheten på AI/ML-evnene dine, sørg for at løsningen du velger kan være tilpasset, oppskalert og enkelt integrert med produktapplikasjonene dine.”
Spørsmål: Hvilke teknologier eller teknologitilnærminger utgjør den største forskjellen?
Huang: “Fra et bredere bransjeperspektiv har maskinoversettelse og informasjonsinnhenting generelt forbedret seg dramatisk etter å ha tatt i bruk dyp læring. Hos Momentive ser vi for eksempel en stor forskjell i ML-løsninger som hjelper kunder med å finne relevant og handlingsdyktig informasjon gjennom enorme mengder responsdata uten problemer.”
Spørsmål: Kjøres de fleste AI-initiativer internt, eller støttes av eksterne tjenester/parter (som skyleverandører eller MSPer)?
Huang: “Avhengig av brukstilfellet og organisasjonen, er kravene til AI-initiativer ganske forskjellige. Noen av dem er mer fornuftige for å utnytte eksterne tjenester, noen av dem må kjøres internt. Generelt ser vi mer bruk av tredje -partstjenester for brukstilfeller som er uavhengige og ikke trenger å integreres tett med produksjonssystemer. Mens vi ser mer vellykkede hjemmelagde løsninger for brukstilfeller som må integreres tett med produksjonssystemer.”
< sterk>Spørsmål: Hvor langt er bedriftens innsats for å oppnå rettferdighet og eliminere skjevheter i AI-resultater?
Huang: “Feltet som helhet lærer fortsatt 00 ingen har alle svarene. Med det sagt, bevisstheten om virkningen av skjevhet i AI har økt de siste årene og det gjøres fremskritt. Det er økende innsats for å finne løsninger for å redusere risikoen for skjevhet i AI, og diskusjoner om skjevhet og rettferdighet i ML har blitt en ny norm i både forskning og industri.”
Spørsmål: Gjør selskaper nok for regelmessig å gjennomgå AI-resultatene sine? Hva er den beste måten å gjøre dette på?
Huang: «Det vil alltid være menneskelige skjevheter – det er ingen vei utenom det – men én ting vi har gjort er å sørge for at menneskene som jobber med dette er fra en rekke forskjellige bakgrunner for å gi en bredde i representasjonen og også føle seg inkludert. Det betyr inkludering, ikke bare mangfold, for å fremheve alle de forskjellige typer bekymringer som kan være på spill.”
< sterk>Spørsmål: Bør IT-ledere og ansatte motta mer opplæring og bevissthet for å lindre AI-bias?
Huang: “Forskningen av skjevheter i AI og begrensninger av den er ganske nyere sammenlignet med datavitenskapens historie, for ikke å si sammenlignet med menneskets historie. Universiteter som Stanford og MIT begynte å inkludere emner om etisk AI i sine AI-kurs. Den generelle antakelsen er at jo mer senior IT-lederne er, jo mer kan de dra nytte av opplæring som dekker den siste utviklingen på dette feltet. Vi har invitert AI-eksperter og utøvere fra akademia og industri til å dele sine erfaringer og kunnskap med vårt lederteam og alle ansatte i en kvartalsvis kadens.”
Spørsmål: Hvilke områder av organisasjonen har størst suksess med AI?
Huang: “Det kommer an på. Normalt er det områdene hvor historiske data er lagret og kan være lett tilgjengelig. Ting begynte å endre seg etter at dyplæringsteknologi ble mer utbredt tatt i bruk, med syntetiske data og motstridende opplæring som spilte en stadig viktigere rolle.”
“Det er mange forskjellige deler av en organisasjon som kan implementere AI på en vellykket måte. For eksempel kan IT-organisasjonen i bedriften bruke ML/AI-teknologi for å forbedre effektiviteten til forretningsprosesser, finansorganisasjonen kan utnytte ML/AI for å gi mer nøyaktige prognoser, kan bedriften bygge ML/AI-løsninger inn i sitt produkttilbud for å forbedre kundeopplevelser, og så videre.”
Enterprise Software | Digital transformasjon | CXO | Internet of Things | Innovasjon | Smarte byer